Onyx: Cost-Efficient Disk-Oblivious ANN Search
Onyx: 低成本的磁盘无关ANN搜索
机构 * UC Berkeley, NVIDIA（伯克利大学，NVIDIA） ； NVIDIA ； UT Austin, NVIDIA（奥斯汀大学，NVIDIA）
AI总结 Onyx通过优化ANN和ORAM层的资源利用，降低ANN搜索成本和延迟，采用紧凑中间表示和局部意识浅树设计提高效率。
高校专区
University of Texas at Austin（得克萨斯大学奥斯汀分校）
Cross-Modal Taxonomic Generalization in (Vision-) Language Models
跨模态分类泛化在（视觉-）语言模型中
机构 * Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 研究探讨了语言模型在无显性证据情况下通过跨模态泛化恢复超范畴知识的能力，发现语言模型能基于语言线索实现泛化。
Comments ACL 2026 (main conference)
LLMs Can Get "Brain Rot": A Pilot Study on Twitter/X
机构 * Texas A&M University（德克萨斯农工大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Purdue University（普渡大学）
Comments Updated experiments with corrected data
Caught in the Web of Words: Do LLMs Fall for Spin in Medical Literature?
陷入词语的网络：大型语言模型是否在医学文献中受偏见影响？
机构 * Northeastern University, Boston, MA, USA（东北大学，波士顿，马萨诸塞州，美国） ； The University of Texas MD Anderson Cancer Center, Houston, Texas, USA（德克萨斯大学MD安德森癌症中心，休斯顿，德克萨斯州，美国） ； King’s College London, London, UK（伦敦国王学院，伦敦，英国） ； The University of Texas at Austin, Austin, Texas, USA（德克萨斯大学奥斯汀分校，奥斯汀，德克萨斯州，美国）
AI总结 研究探讨了大型语言模型（LLM）在处理医学文献时是否受作者偏见影响，发现LLM比人类更容易受偏见影响，但可通过提示减少其影响。
Comments 26 pages, 17 figures, 4 tables, Conference on Health, Inference, and Learning (CHIL) 2025
Storm Surge Modeling, Bias Correction, Graph Neural Networks, Graph Convolution Networks
风暴潮建模、偏差校正、图神经网络、图卷积网络
机构 * Center for Computation and Technology（计算技术中心） ； Louisiana State University（路易斯安那州立大学） ； Department of Physics（物理系） ； Aristotle University of Thessaloniki（塞萨洛尼基阿利克塞奥斯大学） ； Oden Institute for Computational Engineering and Sciences（计算工程与科学研究院） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出StormNet，一种用于风暴潮预测偏差校正的时空图神经网络，通过整合GCN、GAT和LSTM，有效降低预测误差，提升极端天气事件中的预测准确性与可靠性。
Comments 51 pages, 9 figures, 5 tables
On Bayesian Softmax-Gated Mixture-of-Experts Models
基于贝叶斯softmax门控专家混合模型
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文研究了贝叶斯专家混合模型的softmax门控机制，分析了后验分布的渐近行为，推导了密度估计、参数估计和模型选择的收敛性保证，并提出了专家数量选择策略。
Community-Informed AI Models for Police Accountability
面向警察问责的社区导向AI模型
机构 * Department of Political Science and International Relations, University of Southern California（美国南加州大学政治学与国际关系系） ； School of Public Policy, University of Southern California（美国南加州大学公共政策学院） ； Signal Analysis and Interpretation Laboratory (SAIL), University of Southern California（美国南加州大学信号分析与解释实验室） ； Department of Computer Science, University of Southern California（美国南加州大学计算机科学系） ； Brain and Creativity Institute, University of Southern California（美国南加州大学脑与创造力研究所） ； Department of Sociology, University of Southern California（美国南加州大学社会学系） ； Center for Global Health Science and Security, Georgetown University（乔治城大学全球健康科学与安全中心） ； Department of Electrical and Computer Engineering, University of Southern California（美国南加州大学电气与计算机工程系） ； The Lewis Registry（李氏登记处） ； Department of Sociology, The University of Texas at Austin（德克萨斯大学奥斯汀分校社会学系） ； Department of Psychology, University of Southern California（美国南加州大学心理学系） ； Department of Political Science, University of California Riverside（加州大学河滨分校政治学系） ； Harvard Law School, Harvard University（哈佛大学法学院）
AI总结 本文提出一种社区导向的多视角AI工具开发方法，通过整合多方观点提升政府问责透明度，以洛杉矶警察局交通停靠记录分析为例展示其应用。
Comments 33 pages, 4 figures, 2 tables
